Toda instituição que concede crédito carrega uma conta silenciosa: a perda que ainda não aconteceu, mas que já deve ser reconhecida. Sob o modelo de perda esperada, provisionar deixou de ser reação ao calote e virou estimativa prospectiva. E estimativa sem dado de risco de PJ de qualidade é apenas chute contábil bem formatado.
A tese desta análise: a qualidade da provisão para perdas (PDD) depende menos do modelo estatístico e mais dos dados que alimentam a probabilidade de inadimplência. Em 2026, com a Resolução CMN 4.966 em vigor e inadimplência de PJ recorde, calibrar a perda esperada com dado fraco custa caro em capital e em credibilidade.
O modelo de perda esperada (ECL)
A perda esperada de crédito (ECL, na sigla em inglês) é a estimativa, ponderada por probabilidade, das perdas que uma carteira deve sofrer ao longo do tempo. Diferente do antigo modelo de perda incorrida, ela reconhece a provisão antes do default, com base em informação prospectiva sobre o risco de cada exposição.
A mudança de filosofia é profunda. Antes, a provisão só subia quando o calote já era evidente. Agora, ela acompanha o risco desde a originação, o que suaviza o impacto contábil mas exige capacidade de previsão.
O IFRS 9, norma internacional emitida pela IFRS Foundation, consagrou esse modelo. No Brasil, o equivalente para instituições financeiras é a Resolução CMN 4.966/2021, com vigência a partir de janeiro de 2025 (Banco Central, 2026). A lógica de fundo é a mesma: reconhecer cedo a perda provável.
O efeito gerencial é relevante. A provisão deixa de ser um número contábil tardio e passa a ser um termômetro antecipado da qualidade da carteira, sensível à deterioração antes do atraso. Quem provisiona bem, enxerga o risco antes de ele virar prejuízo realizado.
Uma entidade deve reconhecer uma provisão para perdas de crédito esperadas sobre um instrumento financeiro. (IFRS 9, IFRS Foundation)
A perda esperada também muda o diálogo entre risco e negócio. Quando a provisão sobe ao primeiro sinal de deterioração, a área comercial vê o custo do risco mais cedo. O incentivo se desloca da venda a qualquer custo para a venda saudável.
A volatilidade da provisão é um sintoma. Saltos bruscos a cada trimestre indicam modelo que não antecipa, apenas reage. Uma provisão que se move de forma suave reflete dados que captam a deterioração no tempo certo.
PD, LGD e EAD: os três componentes
A perda esperada se decompõe em três fatores: PD (probabilidade de default), LGD (perda dado o default) e EAD (exposição no momento do default). A fórmula básica multiplica os três. Cada componente depende de dados distintos, e o elo mais fraco define a qualidade da estimativa inteira.
A PD mede a chance de a contraparte deixar de pagar em um horizonte definido. É o componente mais sensível a dado de risco de PJ, porque depende de prever comportamento futuro a partir de sinais presentes.
A LGD mede quanto se perde quando o default ocorre, depois de recuperação e garantias. Crédito com garantia líquida tem LGD baixa; crédito limpo, alta. A EAD estima o saldo exposto no momento do calote, relevante sobretudo em linhas rotativas.
O ponto que separa o modelo robusto do frágil é a granularidade. Calcular PD, LGD e EAD por segmento homogêneo, e não como média da carteira inteira, evita que bons riscos subsidiem maus e que a provisão fique cega à composição real.
A tabela conecta cada componente ao dado que o calibra.
| Componente | O que mede | Dados que calibram |
|---|---|---|
| PD | Probabilidade de default | Sinais transacionais, fiscais, societários e setoriais da PJ |
| LGD | Perda dado o default | Garantias, histórico de recuperação, severidade por produto |
| EAD | Exposição no default | Saldo, limites rotativos, padrão de uso da linha |
A interação entre os três componentes importa tanto quanto cada um. Uma PD alta com garantia líquida e LGD baixa pode gerar perda esperada menor que uma PD média sem qualquer garantia. Olhar os fatores em conjunto evita conclusão precipitada.
A qualidade da garantia merece atenção especial na LGD. Garantia ilíquida ou de difícil execução vale menos na prática do que no contrato. O dado sobre a contraparte e sobre o ativo dado em garantia calibra a perda real esperada.
Estágios do IFRS 9 e a Resolução CMN 4.966
Da exposição à provisão por estágio (IFRS 9 / Res. CMN 4.966)
Ver descrição do fluxo
- Exposição de crédito PJ — originação do ativo
- Calibrar PD com dados de risco — transacional, fiscal, societário
- Aumento significativo do risco?
- Não: Estágio 1: ECL de 12 meses
- Sim: Estágio 2 ou 3: ECL vitalícia
O modelo organiza as exposições em três estágios conforme a evolução do risco desde a originação. No estágio 1, a perda esperada é de 12 meses; no estágio 2, quando o risco aumenta de forma significativa, passa a perda esperada por toda a vida; no estágio 3, o ativo já está em default. A migração entre estágios é o gatilho contábil.
O ponto crítico é o critério de aumento significativo do risco de crédito, que move a exposição do estágio 1 para o 2 e multiplica a provisão. Esse critério precisa ser objetivo, defensável e baseado em dado, não em julgamento solto.
A Resolução CMN 4.966/2021 trouxe esse arcabouço para as instituições financeiras brasileiras, alinhando a regulação local ao IFRS 9 (Banco Central, 2026). O efeito prático é que a detecção precoce de deterioração deixou de ser boa prática e virou exigência contábil.
A diferença de timing tem custo. Quem identifica cedo a piora de uma PJ migra a exposição no momento certo e provisiona de forma gradual. Quem só enxerga o default migra tarde, com salto abrupto de provisão e ruído no resultado do trimestre.
Há também impacto sobre capital. Provisão mal calibrada distorce os índices regulatórios e a alocação de capital, penalizando a instituição duas vezes: no resultado e na capacidade de emprestar.
O critério de migração precisa ser simétrico. Tão importante quanto mover a exposição para o estágio 2 ao sinal de piora é devolvê-la ao estágio 1 quando a empresa se recupera. Critério que só sobe e nunca desce infla a provisão de forma artificial.
A objetividade do gatilho protege contra o viés do analista. Regras claras, baseadas em variação de PD e em sinais observáveis, reduzem a tentação de adiar a migração para suavizar o resultado do período. O dado disciplina o julgamento.
Dados de risco PJ que calibram a PD
A probabilidade de default de uma PJ se calibra com dados que descrevem capacidade e comportamento da empresa: sinais transacionais, situação fiscal, estabilidade societária, exposição setorial e histórico de pagamento. Quanto mais ricos e atuais esses dados, mais a PD reflete o risco real e menos a provisão oscila por surpresa.
Os sinais transacionais antecipam. Queda de emissão de NF-e e mudança no padrão de recebimentos indicam estresse antes do atraso, permitindo ajustar a PD no momento certo.
Os sinais cadastrais e setoriais contextualizam. Uma PJ em setor exposto ao cenário de 2026, como construção ou varejo de bens não essenciais (FECAP, nov/2025), carrega PD de fundo mais alta. O dado individual ajusta para cima ou para baixo.
O contexto macro completa a calibragem. Com 8,9 milhões de empresas inadimplentes e R$213 bilhões em dívidas no fim de 2025 (Serasa Experian, jan/2026) e PIB fraco em 2026, a PD média da carteira sobe. Uma das maiores bases lícitas de dados de PJ do Brasil sustenta essa calibragem sem usar dado pessoal de indivíduos.
A atualidade do dado é tão importante quanto a riqueza. Uma PD calibrada com balanço de dois anos atrás descreve uma empresa que talvez já não exista. O dado transacional recente é o que mantém a estimativa colada à realidade.
A combinação de fontes vence o dado único. Score de birô, sinais transacionais e informação setorial, cada um captura uma dimensão do risco. Sozinho, nenhum descreve a empresa inteira; juntos, formam uma PD mais estável e mais fiel.
O poder preditivo precisa ser medido, não presumido. Uma variável que parece relevante pode não separar bom de mau pagador na prática. A validação empírica diz quais sinais merecem peso na calibragem da PD.
A combinação de fontes vence o dado único. Score de birô, sinais transacionais e informação setorial, cada um captura uma dimensão do risco. Sozinho, nenhum descreve a empresa inteira; juntos, formam uma PD mais estável e mais fiel.
O poder preditivo precisa ser medido, não presumido. Uma variável que parece relevante pode não separar bom de mau pagador na prática. A validação empírica diz quais sinais merecem peso na calibragem da PD.
Forward-looking e cenários macroeconômicos
Serasa Experian; FECAP, 2026
O componente forward-looking exige que a perda esperada incorpore expectativas sobre o futuro, não apenas o passado. A norma pede que a PD seja ajustada por cenários macroeconômicos ponderados, refletindo crescimento, juro e inadimplência projetados. Provisão que olha só o retrovisor subestima o risco em ciclo de piora.
A prática usa múltiplos cenários. Um base, um adverso e um otimista, cada um com peso e impacto sobre a PD. A média ponderada produz a perda esperada que entra no balanço.
Os parâmetros de 2026 puxam a provisão para cima. PIB em torno de 1,5%, recuperação lenta e inadimplência de PJ recorde compõem um pano de fundo que o modelo precisa refletir (FECAP, nov/2025; Serasa Experian, jan/2026). Ignorar isso gera provisão otimista e ajuste doloroso depois.
A reforma tributária adiciona incerteza setorial. A fase de teste de CBS e IBS em 2026 (Receita Federal, 2026) afeta setores de forma desigual, o que recomenda cenários por segmento, e não um ajuste macro único para toda a carteira.
O risco do forward-looking é o viés. Cenários otimistas demais maquiam a provisão; pessimistas demais travam o crédito. A disciplina de ancorar cada cenário em fonte pública e datada é o que mantém a estimativa honesta e auditável.
O exemplo também mostra por que a granularidade compensa. Calcular a perda esperada por segmento homogêneo, e não como média da carteira, revela onde o capital realmente está em risco e evita que bons créditos subsidiem os ruins na conta da provisão.
Backtesting e validação do modelo
Backtesting é a comparação entre a perda esperada que o modelo previu e a perda que de fato ocorreu. É o teste que separa o modelo confiável do que apenas parece sofisticado. Sem backtesting periódico, a provisão repousa sobre uma fé estatística que a realidade pode desmentir.
A validação da PD compara default previsto com default observado por faixa de risco. Se as faixas de alto risco não concentram mais calotes que as de baixo, a ordenação está errada. A discriminação do modelo precisa ser demonstrada, não suposta.
A calibragem é a segunda dimensão. Não basta ordenar bem; o nível absoluto da PD precisa bater com a frequência real de default. Um modelo bem ordenado mas mal calibrado provisiona de menos ou de mais de forma sistemática.
A estabilidade fecha o tripé. Mudanças bruscas na distribuição das variáveis de entrada, conhecidas como drift, degradam o modelo silenciosamente. Monitorar a estabilidade das fontes evita que a provisão se deteriore sem aviso.
Os parâmetros de 2026 reforçam a urgência do teste. Com inadimplência de PJ recorde e ciclo econômico fraco (Serasa Experian, jan/2026; FECAP, nov/2025), modelos calibrados em anos benignos tendem a subestimar a perda. O backtesting flagra esse descolamento antes que ele vire prejuízo.
Os cenários precisam de revisão tempestiva. Premissas montadas no início do ano envelhecem quando o ciclo vira. Atualizar os pesos diante de dados novos, como uma piora da inadimplência, mantém a provisão aderente à realidade.
A sensibilidade do modelo deve ser conhecida. Saber quanto a provisão se move quando a PD ou o cenário mudam ajuda a antecipar o impacto no resultado. Modelo cuja sensibilidade ninguém mede produz surpresas a cada balanço.
A comunicação com a alta administração faz parte da governança. Risco, contabilidade e auditoria precisam compartilhar as premissas da perda esperada. Divergência de entendimento entre essas áreas vira ressalva e retrabalho.
O alinhamento entre a provisão contábil e a gestão de risco evita dois números para a mesma carteira. A perda esperada da norma e a perda usada na precificação devem partir da mesma base de dados, ainda que com horizontes distintos.
A consistência ao longo do tempo é o teste final. Mudar método a cada trimestre impede a comparação e mina a confiança. Estabilidade metodológica, com melhorias documentadas, é o que dá credibilidade à série de provisões.
A perda esperada na prática
A teoria de PD, LGD e EAD ganha sentido quando aplicada a uma exposição concreta. Considere uma linha de capital de giro para uma empresa de varejo, sem garantia real. A perda esperada nasce da combinação dos três fatores, e cada decisão de dado move o resultado final da provisão.
A PD parte do score e ajusta pelos sinais. Uma empresa de setor exposto ao cenário de 2026, como o varejo de bens não essenciais (FECAP, nov/2025), carrega probabilidade de fundo mais alta. Sinais transacionais recentes confirmam ou atenuam essa leitura.
A LGD reflete a ausência de garantia. Crédito limpo perde quase todo o saldo no default, então a LGD se aproxima do teto. Houvesse garantia líquida, a perda cairia de forma expressiva, e o mesmo cliente exigiria provisão menor.
A EAD estima o saldo no momento do calote. Em uma linha rotativa, empresas em estresse tendem a sacar o limite disponível antes de parar de pagar. A exposição efetiva costuma ser maior que o saldo médio, e o modelo precisa antecipar esse saque.
O forward-looking ajusta o conjunto. Com PIB fraco e inadimplência recorde em 2026 (Serasa Experian, jan/2026), o cenário ponderado eleva a PD acima da média histórica. A provisão resultante reflete o ciclo, não apenas o passado benigno.
O exemplo expõe a lição central. O número final da provisão é tão bom quanto o pior dos seus insumos. Dado de risco fraco em qualquer um dos três fatores contamina a estimativa inteira, por mais elegante que seja o modelo.
O contexto de 2026 eleva todos os parâmetros do exemplo. Com 8,9 milhões de empresas inadimplentes e R$213 bilhões em dívidas (Serasa Experian, jan/2026) e a Resolução CMN 4.966 em vigor desde janeiro de 2025 (Banco Central, 2026), a perda esperada calibrada com dado pobre tende a se revelar otimista quando o ciclo cobra.
Auditoria, rastreabilidade e governança do dado
A provisão sob perda esperada precisa ser auditável: cada PD, LGD e migração de estágio deve ter trilha de dados, premissas e versão de modelo. Sem rastreabilidade, a estimativa não se defende perante auditor, regulador nem comitê de risco. Governança de dado deixou de ser higiene e virou requisito da norma.
A trilha começa na fonte. De onde veio cada sinal que calibrou a PD, em que data, com qual tratamento. Dado sem linhagem não sustenta provisão em uma auditoria séria.
O modelo precisa de versão e validação. Mudanças de parâmetro devem ser registradas, e o desempenho preditivo, monitorado. Um modelo que erra sistematicamente a PD distorce capital e resultado de forma silenciosa.
A governança fecha o ciclo com as seguintes práticas mínimas:
- Linhagem completa dos dados que alimentam PD, LGD e EAD.
- Critério objetivo e documentado de migração entre estágios.
- Cenários macroeconômicos versionados e ponderados.
- Validação periódica do poder preditivo do modelo.
- Supervisão humana sobre overrides e casos de fronteira.
A perda esperada bem calibrada protege capital, suaviza o resultado e sobrevive à auditoria. A mal calibrada faz o contrário, e o custo aparece justamente quando o ciclo aperta. Em 2026, o ciclo já apertou, e a qualidade do dado de risco virou linha de defesa do balanço.
Leia também no DataHub
Fontes
- IFRS Foundation, IFRS 9 Financial Instruments (2026)
- Banco Central do Brasil, Resolução CMN 4.966/2021 (2026)
- Comitê de Pronunciamentos Contábeis, CPC 48 (2026)
- Serasa Experian, Indicador de Inadimplência das Empresas (2026)
- FECAP, Tendências da economia para 2026 (2025)
- Receita Federal, Reforma tributária e transição CBS/IBS (2026)